DeepSeek-V4-Flash-0731

DeepSeek-V4-Flash-0731 模型是 DeepSeek 官方发布的正式版本，旨在取代预览版。该模型在架构上延续了 DeepSeek-V4-Flash-DSpark 的设计，集成了 DSpark 投机解码模块。根据官方技术规格，该模型拥有 304B 参数，并遵循 MIT 开源协议。该版本在 Agent 能力增强方面进行了优化，在多项自动化与编程任务中表现出适应性。

模型核心特性

DeepSeek-V4-Flash-0731 模型引入了推理努力程度（reasoning_effort）调节功能。该参数支持 low、high 和 max 三个级别，允许用户根据任务的复杂程度控制模型的思考深度。模型在结构上原生支持 DSpark 投机解码技术，通过在推理过程中挂载投机解码模块，以提升生成效率。该模型支持多种精度格式，并兼容主流的推理加速框架。

Agent 能力基准测试表现

根据官方发布的性能数据，DeepSeek-V4-Flash-0731 在多项基准测试中表现优于 DeepSeek-V4-Pro (Preview) 版本。在 Terminal Bench 2.1 测试中，该模型得分为 82.7；在 DeepSWE 软件工程测试中，得分达到 54.4。针对代码 Agent 任务，官方在评估时采用了最大推理努力程度（max reasoning effort）配合特定的采样参数（temperature = 1.0, top_p = 0.95）。在内部测试集 DSBench-FullStack 和 DSBench-Hard 中，该模型分别取得了 68.7 和 59.6 的评分。

vLLM 与 SGLang 部署指南

对于 DeepSeek-V4-Flash 部署，官方提供了多种主流框架的集成方案。在 vLLM 环境下，用户可以通过添加 --speculative-config 参数并指定 method: dspark 来启用投机解码功能。对于 SGLang 框架，则需使用 --speculative-algorithm DSPARK 指令。由于目标模型与投机草案模型的权重集成在同一个检查点中，部署时无需额外设置草案模型路径。此外，该模型也支持通过 Transformers 库进行调用，或利用 Docker 容器化技术在本地环境中运行。

推理努力程度 (Reasoning Effort) 设置

DeepSeek-V4-Flash-0731 允许用户通过 reasoning_effort 参数控制模型在回答前的思考深度。该参数支持 low、high 和 max 三个级别。在本地运行或进行交互式对话时，官方建议针对 Agent 场景将 top_p 设置为 0.95，而在其他通用场景下将 top_p 设置为 1.0。对于开启 high 或 max 推理努力程度的任务，建议将最大输出长度设置为 384K tokens。该模型未内置 Jinja 格式的聊天模板，用户需参考官方提供的 Python 脚本进行消息编码与输出解析。

常见问题

如何在部署时启用 DSpark 投机解码

在使用 vLLM 部署时，需要在启动命令中加入 speculative-config 参数，并将 method 设置为 dspark。如果使用 SGLang，则需通过 speculative-algorithm 参数指定 DSPARK 算法。

推理努力程度参数有哪些级别

推理努力程度（reasoning_effort）参数支持 low、high 和 max 三个级别。用户可以根据任务对逻辑推理的需求强度进行选择。

该模型支持哪些本地运行方式

用户可以通过 vLLM、SGLang、Transformers 库或 Docker 镜像在本地运行该模型。此外，官方也提供了模型权重转换工具，支持在 llama.cpp、Ollama 和 LM Studio 等兼容应用中使用量化版本。